داده‌ها زودتر از سیاست‌مداران هشدار می‌دهند

در اقتصاد، بحران معمولاً قبل از آنکه در سخنرانی‌ها، جلسات رسمی یا تصمیم‌های فوری دیده شود، در داده‌ها ظاهر می‌شود. تغییر در قیمت‌ها، افت تولید، فشار بر خانوار، کاهش سرمایه‌گذاری، نوسان تجارت، تغییر شاخص‌های پولی و مالی، همه نشانه‌هایی هستند که اگر درست خوانده شوند، می‌توانند زودتر از سیاست‌مداران هشدار بدهند. مسئله اینجاست که اقتصاد امروز با انبوهی از داده‌ها روبه‌روست و همه داده‌ها به یک اندازه مهم نیستند.
مقاله «Evaluating Feature Selection Methods for Macro-Economic Forecasting» دقیقاً به همین مسئله می‌پردازد: در میان تعداد زیادی از متغیرهای کلان اقتصادی، کدام شاخص‌ها واقعاً برای پیش‌بینی آینده مهم‌ترند و کدام‌ها فقط مدل را شلوغ‌تر و کم‌دقت‌تر می‌کنند؟ این مقاله با تمرکز بر متغیرهای کلان اقتصاد ایران و شاخص‌های بانک جهانی، روش‌های مختلف انتخاب ویژگی را برای پیش‌بینی اقتصادی ارزیابی کرده است.
انتخاب ویژگی در یادگیری ماشین یعنی جدا کردن داده‌های مؤثر از داده‌های کم‌اثر، تکراری یا گمراه‌کننده. در پیش‌بینی اقتصادی، این کار اهمیت زیادی دارد؛ چون اگر مدل با تعداد زیادی متغیر نامرتبط تغذیه شود، ممکن است به جای فهم واقعیت، در نویز آماری گم شود. اقتصاد، به‌ویژه در کشوری مانند ایران، پیچیده و چندلایه است؛ بنابراین دقت در انتخاب متغیرها می‌تواند تفاوت میان هشدار زودهنگام و تحلیل دیرهنگام باشد.
در این پژوهش، معیارهایی مانند خطای میانگین مربعات ریشه‌ای و خطای مطلق میانگین برای سنجش دقت پیش‌بینی به کار رفته و ارزیابی مدل‌ها با روش اعتبارسنجی متقاطع ۱۰ بخشی انجام شده است. نتیجه مهم مقاله این است که برخی روش‌ها در کاهش خطای پیش‌بینی عملکرد بهتری داشته‌اند؛ از جمله روش Stepwise Selection، روش‌های درختی، فاصله هاسدورف، فاصله اقلیدسی و امتیاز اطلاعات متقابل. در مقابل، روش‌هایی مانند RFECV و Variance Threshold در این ارزیابی اثربخشی کمتری نشان داده‌اند.
اهمیت این یافته فقط فنی نیست. وقتی بدانیم کدام متغیرها برای پیش‌بینی تورم، رکود یا نوسانات اقتصادی مهم‌ترند، سیاست‌گذار می‌تواند زودتر تصمیم بگیرد. داده‌ها اگر درست تحلیل شوند، می‌توانند پیش از آنکه فشار اقتصادی به بحران اجتماعی تبدیل شود، مسیر خطر را نشان دهند. به همین دلیل، یادگیری ماشین در اقتصاد فقط ابزار دانشگاهی نیست؛ می‌تواند ابزار حکمرانی هوشمند باشد.
در اقتصاد ایران، این موضوع اهمیت مضاعف دارد. تورم، نرخ ارز، بودجه دولت، صادرات، واردات، نقدینگی، شاخص‌های توسعه، تولید، بیکاری و سرمایه‌گذاری همگی به هم متصل‌اند. اما همه آن‌ها در هر مدل و هر دوره زمانی یک وزن ندارند. روش‌های انتخاب ویژگی کمک می‌کنند مدل بفهمد کدام متغیرها در لحظه فعلی نقش هشداردهنده‌تری دارند. این همان نقطه‌ای است که داده از گزارش اداری فراتر می‌رود و به ابزار پیشگیری تبدیل می‌شود.
یکی از نکات قابل توجه مقاله، عملکرد مناسب روش‌های مبتنی بر شباهت، به‌ویژه فاصله هاسدورف و فاصله اقلیدسی است. این روش‌ها تلاش می‌کنند الگوهای مشابه میان مجموعه‌های داده را تشخیص دهند و از همین مسیر به دقت پیش‌بینی کمک کنند. بر اساس یافته‌های مقاله، روش‌های مبتنی بر شباهت در مجموعه‌داده‌های مختلف عملکرد باثباتی داشته‌اند و میانگین رتبه ۹.۱۲۵ را در میان روش‌های آزمایش‌شده ثبت کرده‌اند.
این نتیجه یک پیام روشن دارد: اقتصاد فقط با نگاه خطی و ساده فهمیده نمی‌شود. گاهی شباهت پنهان میان دوره‌های مختلف اقتصادی، زودتر از شاخص‌های آشکار هشدار می‌دهد. ممکن است امروز یک متغیر به‌تنهایی بحرانی به نظر نرسد، اما ترکیب آن با چند شاخص دیگر، شبیه دوره‌ای باشد که پیش‌تر به تورم، رکود یا فشار اجتماعی منجر شده است. یادگیری ماشین دقیقاً برای دیدن همین الگوهای پنهان ارزشمند است.
با این حال، داده‌ها به‌تنهایی سیاست نمی‌سازند. مدل‌ها هشدار می‌دهند، اما تصمیم‌گیری همچنان نیازمند عقلانیت، شفافیت و شجاعت اجرایی است. اگر داده‌ها نشان دهند که مسیر تورم خطرناک است، اما سیاست‌گذار آن را نادیده بگیرد، فناوری کمکی نمی‌کند. اگر مدل‌ها افت قدرت خرید یا فشار بر خانوار را زودتر نشان دهند، اما سیاست‌ها همچنان دیرهنگام و واکنشی باشند، هشدار داده‌ها بی‌اثر می‌ماند.
مسئله مهم دیگر کیفیت داده‌هاست. یادگیری ماشین فقط زمانی قابل اعتماد است که داده‌های ورودی دقیق، به‌روز و قابل اتکا باشند. داده ناقص یا جانبدارانه می‌تواند مدل را به خطا ببرد. بنابراین استفاده از هوش مصنوعی در پیش‌بینی اقتصاد، نیازمند نظام آماری شفاف، دسترسی پژوهشگران به داده‌های معتبر و فرهنگ تصمیم‌گیری مبتنی بر شواهد است.
از این منظر، مقاله فقط درباره مقایسه چند روش آماری نیست؛ درباره یک تغییر نگاه است. اقتصاد دیگر نمی‌تواند صرفاً با تحلیل‌های سنتی، گزارش‌های دیرهنگام و تصمیم‌های حدسی اداره شود. در جهانی که داده‌ها هر لحظه در حال تولیدند، کشوری موفق‌تر است که بتواند زودتر از بحران، نشانه‌های آن را ببیند.
در جمع‌بندی می‌توان گفت، پیام اصلی این پژوهش آن است که انتخاب درست متغیرها، دقت پیش‌بینی اقتصادی را افزایش می‌دهد و می‌تواند به سیاست‌گذاری بهتر کمک کند. روش‌های Stepwise، درختی، مبتنی بر شباهت و اطلاعات متقابل در این مطالعه عملکرد قابل توجهی داشته‌اند و می‌توانند برای تحلیل داده‌های پیچیده اقتصادی به کار گرفته شوند.
به بیان روشن، داده‌ها منتظر تصمیم‌گیران نمی‌مانند. آن‌ها زودتر از سیاست‌مداران علامت می‌دهند، هشدار می‌دهند و مسیر خطر را نشان می‌دهند. مسئله این است که آیا نظام تصمیم‌گیری توان شنیدن صدای داده‌ها را دارد یا باز هم زمانی متوجه بحران می‌شود که دیگر نشانه‌ها به هزینه تبدیل شده‌اند.